具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例1

请参阅图1，显示为本发明提供的所述基于强跟踪滤波的雷达目标跟踪方法于实施1中的流程示意图。于本实施例中，所述目标为匀速运动状态。

如图1所示，该方法实施包括如下步骤：

S100，根据目标的运动状态特征，通过引入次优渐消因子，构建强跟踪滤波器模型，用于对目标运动状态进行强跟踪滤波；

如图2所示，所述步骤S100具体包括以下子步骤：

S101，根据目标的运动特征，确定目标的运动模型；

具体的，根据目标的匀速运动特征，确定目标的运动运动模型，为：

x_k＝F_k,k-1x_k-1+w_k,k-1 (1)

Z_k＝H_kx_k+u_k； (2)

其中，

式中，k表示当前时刻，也即雷达观测目标的运动状态的时刻；k-1表示k时刻的前一时刻；

x_k表示k时刻目标的运动状态向量；x′(k)，y′(k)分别表示k时刻目标于x坐标和y坐标上的位置；v_x(k)，v_y(k)分别k时刻表示目标在x坐标方向和y坐标方向的速度；

F_k,k-1表示目标运动系统由k-1时刻至k时刻的运动状态转移矩阵，其中T表示雷达的观测采样周期；

w_k,k-1为k-1时刻至k时刻的高斯白噪声的过程噪声，满足w_k,k-1∈Rⁿ，即包含于n维实数域，且满足均值为零，协方差为：

Q_k,k-1∈R^n×n

其中，Q_k,k-1为k-1时刻至时刻k的过程噪声w_k,k-1的协方差；

Z_k为k时刻运动状态向量的观测向量，由雷达观测获得，且满足：

Z_k∈R^p

其中，R^p为p维实数域；

H_k表示k时刻的观测矩阵，为：

H_k＝[1 0 0] (5)

u_k为k时刻高斯白噪声的观测噪声，为雷达自身的测量误差，满足u_k∈R^p，且满足均值为零，协方差为：

R_k∈R^p×p

其中，R_k为k时刻观测噪声v_k的协方差；

所述过程噪声和所述观测噪声并不相关。

S102，观测目标的运动状态，获取目标于k时刻的运动状态信息；基于观测获得的所述运动状态信息获取所述观测噪声协方差R_k。

S103.基于所述过程噪声协方差和所述观测噪声协方差，构建目标跟踪的Kalman滤波器第一模型。

具体的，所述过程噪声协方差于模型对各运动状态向量解算时随机生成的，所述观测噪声协方差通过所述步骤S102获得。

所述Kalman滤波器第一模型为Kalman滤波器的初始迭代方程，为：

其中，为基于k-1时刻最优估计的k时刻运动状态先验状态估计；

为k时刻的目标运动状态的最优估计，即对k时刻的运动状态观测值，经强跟踪滤波去除噪声影响后所获得的值；

为k-1时刻的目标运动状态的最优估计；

K_k为滤波增益矩阵，为k时刻滤波增益矩阵的转置矩阵；

为k时刻观测矩阵的转置矩阵；

P_k|k-1为基于k-1时刻运动状态获取的k时刻的预测误差协方差；

P_k|k为k时刻的估计误差协方差；

I为单位矩阵。

S104，于所述过程噪声协方差矩阵中引入次优渐消因子，将所述Kalman滤波器第一模型变换为Kalman滤波器第二模型。

该步骤具体包括：

S104A，构建次优渐消因子λ_k，并将所述次优渐消因子λ_k引入所述过程噪声协方差矩阵中，以间接调节过程噪声协方差矩阵P_k|k-1；

为了适当增大过程噪声协方差的调节作用，构建次优渐消因子λ_k为：

则将所述预测误差协方差(式8)变换为：

S104B，解算所述次优渐消因子λ_k；

根据正交性原理和式(8)可得：

即：

其中，V_k为k时刻新息的协方差，通过下式近似求得：

其中，

于上式中，所述γ₁为目标跟踪初始时刻的新息，γ_k为k时刻的新息矩阵，为为k时刻的新息矩阵的转置，ρ为遗忘因子，且满足：

0＜ρ≤1

然后，将式(10)代入式(11)，得到：

则：

为便于表达，设：

则

S104C，基于解算后的所述次优渐消因子，将所述Kalman滤波器第一模型变换为Kalman滤波器第二模型。

进一步的，所述步骤S104还包括：

于所述N_k引入弱化因子β，以避免出现过调节的现象。

当λ_k过大时，会造成λ_kQ_k,k-1过大，导致过调节，从而增大了噪声比重，也即增加了滤波的难度，进而会导致目标运动状态估计的结果精度降低；因此，为了削弱λ_k的调节作用，使得λ_k对噪声项的调节具有可约束性，引入弱化因子β。

具体的，于所述N_k引入所述弱化因子β，将式(19)转换为：

将式(22)代入式(21)，从而获得新的次优渐消因子λ_k。

S200，基于所述强跟踪滤波器模型，重复代执行目标的强跟踪滤波，从而获得目标的运动状态跟踪信息。

具体的，单次所述强跟踪滤波包括通过雷达采集目标于某一时刻的运动状态信息，并且获取目标于该时刻的上一时刻的强跟踪滤波结果；根据所述上一时刻的强跟踪滤波结果和该时刻的运动状态信息，基于所述步骤S100中构建的所述强跟踪滤波器模型，获取该时刻对应的强跟踪滤波结果，所述强跟踪滤波结果包括该时刻目标的运动状态跟踪信息。

重复执行所述目标的所述强跟踪滤波过程，直至目标跟踪过程结束，从而获得目标的运动状态的跟踪信息。

为详细说明所述强跟踪滤波过程，请参阅图3，示出为执行k时刻的所述强跟踪滤波的流程示意图，包括：

S201，获取目标于k时刻的运动状态信息，作为k时刻目标运动状态的观测值；

其中，运动状态信息包括目标的位置信息，和速度信息。

S202，获取目标于k-1时刻的强跟踪滤波结果，包括k-1时刻最优估计和k-1时刻估计误差协方差；

其中，k-1时刻为k时刻的上一时刻；k-1时刻的强跟踪滤波结果为执行上一时刻的所述强跟踪滤波过程所获得的强跟踪滤波结果，即k-1时刻由所述Kalman滤波第二模型获得的k-1时刻的所述最优估计(由式7可获得)，和k-1时刻的估计误差协方差(由式10可获得)。

需要注意的是，于目标跟踪初始时刻，即k等于1时，则上一时刻的所述最优估计为目标跟踪执行前，获取的目标运动状态预设值，即：

k＝0时，

其中，x₀为目标的运动状态预设值。

同样的，于目标跟踪初始时刻，即k等于1时，则上一时刻的所述估计误差协方差为目标跟踪执行前，获取的目标运动状态的估计误差协方差预设值。

S203，根据所述k-1时刻的估计误差协方差，获取k时刻的预测误差协方差；根据k时刻的预测误差协方差，确定k时刻的所述滤波增益，从而确定了k时刻的强跟踪滤波器模型；

即根据获取的k-1时刻的预测误差协方差，通过式9获取k时刻的预测误差协方差，并且根据式8确定k时刻的所述滤波增益，进而确定了k时刻的强跟踪滤波器模型。

S204，根据所述k-1时刻的最优估计，结合k时刻目标运动状态的观测值，并基于所述步骤S203中确定的k时刻的强跟踪滤波器模型，获取k时刻的最优估计；以及，根据所述步骤S203中确定的k时刻的所述滤波增益，结合k时刻目标运动状态的观测值，获取k时刻的估计误差协方差；所述k时刻的估计误差协方差和k时刻的最优估作作为k时刻的强跟踪滤波结果，以迭代执行下一时刻的采集滤波过程。

于本实施例中，相比于现有技术中，直接利用时变的渐消的因子来调节预测误差协方差矩阵，本发明通过将次优渐消因子调节所述过程噪声协方差矩阵，再间接调节预测误差协方差矩阵P_k|k-1，可以解决现有技术中Kalman滤波方法无法对模型参数进行实时估计，从而导致雷达目标跟踪准确度降低的问题。进一步的，通过于次优渐消因子中引入弱化因子来约束次优渐消因子，可以避免次优渐消因子过大而对滤波结果影响，可以有效地保障了目标运动状态估计结果的精度。

实施例2

于本实施例中，所述基于强跟踪滤波的雷达目标跟踪方法的实施步骤与实施例1中的相同，不同之处在于：

于所述步骤S200中，于所述过程噪声协方差矩阵中引入多重渐消矩阵，以调节预测误差协方差矩阵，将所述Kalman滤波器第一模型变换为Kalman滤波器第三模型；

具体的，将多重渐消的矩阵L_k引入所述过程噪声协方差矩阵中，从而调节预测误差协方差矩阵，将式(9)调整为：

其中，所述多重渐消的矩阵L_k表示为：

其中，分别表示不同的次优渐消因子。

则式(17)转换为：

对式(25)两边求迹可得：

对式(26)化简为：

tr[L_kM_k]＝tr[N_k] (27)

将(24)代入(27)，获得：

因此，根据式(28)可以得到：

其中，

表示矩阵N_k第i行第i列的元素，表示矩阵M_k第i行第i列的元素。

于本实施例中，于构建Kalman滤波模型中，通过引入多重次优渐消因子，相比于引入单个次优渐消因子，可以更有针对性的对噪声矩阵中的每个数据通道进行调节。

为了验证本发明提出的所述基于强跟踪滤波的雷达目标跟踪方法，于带有过程噪声误差的目标跟踪系统中，其跟踪效果优于常用的强跟踪滤波目标跟踪方法，进行了如下的仿真，其中，对照组采用未经过改进的强跟踪滤波方法。

设定待跟踪的目标物体为匀速运动，初始位置为(-120，-20)，初始速度为(15，5)。通过根据雷达获得目标至雷达的距离，以获取目标的运动状态信息，即进行目标跟踪。设定雷达的扫描周期为0.8，以及设置仿真系统的其他参数模型如下：

以及，于目标跟踪初始时刻时，设置目标的运动状态预设值和估计误差协方差预设值分别为：

实验间隔为1s，并且进行1000次蒙特卡洛仿真。

最后，分别获取各方法仿真后所获得的目标运动状态跟踪信息，和获取各目标运动状态跟踪信息的均方根误差，作为对应的仿真结果。其中，各方法仿真后所获得目标运动状态跟踪信息结果如图4所示，各目标运动状态跟踪信息的均方根误差结果如图5所示。由图4和图5明显可见，本发明所述方法对目标的运动轨迹跟踪效果较佳，在模型外部噪声Q的影响下，滤波输出的跟踪轨迹依然稳定，而且准确度可观，相比于对照组更接近真实轨迹，且均方根误差小于对照组的均方根误差，总体保持在0-12以内，可以满足一般的工业应用需求。从实验结果可以得出结论，在雷达的目标追踪问题中，相较于未改进的强跟踪滤波，本发明提供的所述基于强跟踪滤波的雷达目标跟踪方法在追踪精度上、鲁棒性上表现更优。

综上所述，本发明提出的所述基于强跟踪滤波的雷达目标跟踪方法，相比于现有的目标跟踪方法，通过构建次优渐消因子至所述过程噪声协方差中，改进了Kalman滤波器模型，从而于目标跟踪过程中，基于观测值和上一时刻的强跟踪滤波结果，实现了滤波器模型中参数的实时估计和动态调节，可以有效地提高了目标跟踪的效果和稳定性。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。